虚拟变量陷阱，我删除哪个虚拟列有关系吗？答案

【问题标题】：Dummy variable trap, does it matter which dummy column I delete?虚拟变量陷阱，我删除哪个虚拟列有关系吗？
【发布时间】：2020-03-18 15:51:08
【问题描述】：

我刚刚了解了虚拟变量及其陷阱。因此，假设我有一个包含 3 个类别的分类列，例如：

Dog
Cat
Bear

我将它分成 3 个单独的列，IsDog、IsCat、IsBear，其中包含 0/1，因此我可以在我的模型中使用它。但是他们说虚拟列的数量应该始终是（number_of_categories - 1）。那么我应该删除最后一个（在这种情况下是 IsBear），还是实际上无关紧要，只是随机删除一个？

【问题讨论】：

这个问题更类似于 CrossValidated。无论如何，改变的是对系数的解释。如果您使用的是随机森林之类的方法，那没关系。为了获得更好的答案，请看这里，它可能已被多次询问。
从模型的角度来看，这并不重要。但是，如果您关心您在分析中看到的内容（也就是说，您希望看到 Bear/Dog），您可能需要删除特定的列。
搜索解释的更好方法是使用“One Hot Encoding”一词，表示您的类别中只有一个是“hot”（真），其余不是（或 false/0） .它分解为“IsBear/IsCat/IsDog”与“IsBear/IsCat/Neither”之间的区别。就实际信息价值而言，两种制度没有区别

标签： python pandas data-science dummy-variable

【解决方案1】：

您可以让 Pandas 为您自动为每个分类列执行此操作，如下所示。

请注意，它将自动为新列名称添加前缀（例如，具有 3 个类别的分类变量“Dog”将给出两个新列：Dog_1、Dog_2），并且它将删除原始列（“Dog”）。使用drop first 选项，它将为具有 k 个类别的列提供 k-1 个虚拟列（即，具有 3 个类别的列 Dog 变为 2 - 而不是 3 - 虚拟列，如上所述，并且根据您的问题）。

df = pd.get_dummies(df, columns=['cat_var_1', 'cat_var_2'], drop_first=True)

【讨论】：